Aquesta tesi s'emmarca en l'anàlisi de la supervivència. A la primera part es proposa una metodologia per estimar els coeficients d'un model lineal amb censura a la resposta i error de mesura a les covariants. Es proposa un estimador consistent que combina les metodologies per estimar models lineals de resposta censurada i, les utilitzades per als models amb variables explicatives mesurades amb error. Els errors estàndard de l'estimador es calculen numèricament mitjançant bootstrap. Algunes simulacions mostren les propietats de l'estimador.A la segona part s'analitzen històries laborals espanyoles. Hi ha tres tipus d'episodis: de treball autònom, per compte d'altri i sense treballar. Es duen a terme els següents estudis: estimació no paramètrica de la funció de supervivència pels diferents episodis; anàlisi de la durada del primer episodi de la història laboral; models de competing risk per a cada tipus d'episodis; i una anàlisi longitudinal dels cinc primers episodis tractats conjuntament. / This thesis is about survival analysis. The first part is focused on linear regression models with a censored dependent variable and, the explanatory variable contaminated with measurement error. A methodology which produces consistent estimates of the regression coefficients is proposed. It combines the procedures for fitting linear models with censoring and, the estimation methods for linear models with measurement error. Standard errors of the estimator are computed using the bootstrap method. The performance of the estimator is evaluated by Monte Carlo studies.The second part analyzes data about Spanish labor market histories. We study the duration of three types of labor spells (self-employment, wage-earner and non-working). We carry out several analyses: non-parametric approaches of the survival functions for several sets of spells a standard duration analysis for the first spells of the labor history a competing risk analysis for each type of spell; and a longitudinal analysis for the five early spells of the labor histories.